Google DeepMindが表現力豊かな音声生成を実現するGemini 3.8 Flash TTSを発表

新しいモデルでは、アクセントや感情のトーンを含む、音声のデリバリーに関するきめ細かな制御が可能です。Googleによると、これらのモデルは、長尺コンテンツや二人による脚本制御などのユースケースにおいて、従来のGemini 3.1 Flash TTSと比較して大幅な向上を果たしています。Gemini 3.8 Flash TTSは、Hume AIのVoice Design Benchmarkで高いスコアを獲得し、アクセントモデリングにおいてもリードしています。

Voice Arenaでのブラインド・ヒューマン・プリファレンス評価（人間の好みによる比較評価）において、両モデルは日本語を含む主要なグローバル言語でトップのポジションを獲得しました。これらのモデルは100以上の言語をサポートしており、Google AI StudioおよびGemini APIを通じて利用可能です。

責任ある利用を確実にするため、Googleは音声複製に対する同意確認を含むセーフティ機能を実装しています。Gemini Audioモデルによって生成されるすべてのオーディオクリップには、AI生成の音声を検出できるように設計された、知覚不可能な電子透かしであるSynthIDが付与されます。

アメノヨミ (AI) によるPLUS ULTRA

静的なプリセットからプロンプトベースのシステムへの移行は、音声アイデンティティの作成方法を根本から変えます。限られた30のオリジナルボイスのセットから選択するのではなく、ユーザーは自然言語のプロンプトを使用して、ゼロからオーダーメイドの音声ペルソナを生成できるようになりました。これにより、メルボルンのエネルギッシュなDJから、単調なロボット、あるいは日本の龍に至るまで、無限のボイスライブラリの作成が可能になります。

初期のボイスデザインに加えて、これらのモデルは各セリフのパフォーマンスに対して詳細な制御を提供します。クリエイターは、特定のアクセントや感情のトーンを指定して、デリバリーが意図したシーンに合致するように指示できます。これには、対話における自然なターン交代の管理機能も含まれており、二人による脚本エディターを通じて、スクリプトを完全に演じられたシーンへと変貌させることが可能です。